Panduan membaca data dan simulasi

Bagaimana Equora menjelaskan prioritas dan skenario.

Halaman ini menjelaskan perhitungan pada snapshot review lokal. Skor dan status model membantu membandingkan asumsi; hasilnya belum membuktikan dampak nyata atau kelayakan kebijakan.

Status metode Weighted normalized needs v1 · allocation sandbox single-intervention-demo-v1

Baru menggunakan Equora? Mulai dengan profil provinsi Anda. Halaman ini menjelaskan sumber angka, cara prioritas dihitung, dan batas kesimpulan dari hasil simulasi.

01 · Sumber data

Metode dimulai dari data yang sebanding.

Perhitungan menerima kebutuhan yang sudah dinormalisasi ke rentang [0, 1], dengan nilai lebih tinggi berarti kebutuhan lebih besar. Tahun, jenjang, unit, wilayah, dan versi data harus kompatibel sebelum perhitungan dijalankan.

Ilustrasi fasilitas cuci tangan, tangki air, dan ruang komputer di sekolah. — Sanitasi, air, internet, dan komputer menjadi konteks indikator yang dibaca bersama. Ilustrasi fasilitas, bukan dokumentasi sekolah tertentu.

Snapshot review lokal · 2025/2026

Sepuluh workbook pengguna, 38 provinsi, enam jenjang dan kolom Total telah diproses. Hash, skala dan koordinat sel sumber tersedia pada katalog. Tanggal unduh pengguna serta lisensi redistribusi belum diverifikasi; ini belum release publik.

Buka portal sumber pendidikan ↗

Kontrak input lokal

Empat indikator inti adalah sanitasi, air, internet dan komputer. Kebutuhan = 1 − akses / 100. Persentase internet/komputer di Excel berupa pecahan berformat persen dan dikalikan 100 sekali; air/sanitasi sudah berupa poin persentase. Jumlah sekolah hanya menjadi konteks dan denominator.

Denominator nol berarti tidak ada sekolah pada scope tersebut. Nilai itu tidak ditafsirkan sebagai kebutuhan 100% dan wilayah tidak masuk peringkat. Missing pada indikator berbobot positif menyebabkan exclude; indikator berbobot nol tidak menghalangi wilayah masuk.

Studio menerima biaya, kapasitas dan minimum sebagai asumsi demo. Satu paket tidak diklaim setara satu sekolah terbantu. CP-SAT memakai satu worker, seed 0 dan batas lima detik; skor objective dibulatkan HALF_UP ke skala 10.000. Baseline merata dan greedy memakai kendala yang sama. Snapshot menyimpan parameter, hasil, sumber dan versi data/metode/model.

Compare menolak versi data, jenjang atau metode/model berbeda. Ketika bobot berubah, objective tidak dinyatakan sebanding sebagai dampak. Peta memakai batas komunitas yang disederhanakan dan crosswalk eksplisit. Basemap memberi konteks geografis, bukan sumber indikator atau lokasi sekolah.

Periksa sumber dan kualitas →

02 · Standardisasi dan bobot

Skor prioritas adalah jumlah kontribusi indikator.

Untuk setiap wilayah i, bobot indikator harus nonnegatif dan totalnya tepat 1. Nilai kebutuhan setiap indikator sudah berada pada rentang yang sama.

score_i = Σ (weight_j × need_ij)

Contoh sintetis · bukan data provinsi

SYN-A mendapat skor 0,55

Dengan bobot sanitasi 0,75 dan air 0,25, kebutuhan SYN-A adalah 0,6 dan 0,4: (0,75 × 0,6) + (0,25 × 0,4) = 0,55.

Kontribusi setiap indikator disimpan agar skor dapat dijelaskan.
Skor diurutkan menurun; kode wilayah menjadi tie-break deterministik.
Skor tidak dibulatkan sebelum ranking.

03 · Missing dan coverage

Missing tidak diam-diam diubah menjadi nol.

Kebijakan sandbox yang tersedia adalah exclude. Wilayah yang kehilangan indikator dengan bobot positif dikeluarkan dari ranking dan dicatat bersama indikator yang hilang. Nilai nol tetap merupakan nilai valid dan berbeda dari missing.

Nilai nolMasuk perhitungan sebagai kebutuhan 0.

MissingDicatat dan dikeluarkan jika indikatornya berbobot positif.

CoverageDilaporkan dari jumlah input, bukan ditebak sebagai kualitas.

04 · Alokasi sandbox

Model menguji paket integer dengan asumsi yang terlihat.

Kandidat CP-SAT sandbox memakai satu jenis intervensi dan biaya yang wajib diberi label demo_assumption. Jumlah paket x_i adalah integer per wilayah.

maximize Σ(priority_units_i × x_i) subject to Σ(cost_i × x_i) ≤ budget minimum_i ≤ x_i ≤ capacity_i

Interpretasi harus dibatasi

Objective adalah proxy kebutuhan berbobot. Ia bukan jumlah sekolah yang pasti terbantu, bukan prediksi dampak pendidikan, dan bukan keputusan anggaran. Manfaat marginal konstan sampai kapasitas adalah asumsi model sandbox.

Status hasil

Uji manual Setelah menyimpan skenario di Studio simulasi, Uji Keputusan dapat mengubah asumsi hingga ±25%.
Uji otomatis Anggaran, biaya, dan tiap bobot positif diubah satu per satu sebesar ±10%; bobot kemudian dinormalisasi kembali ke total 100%.
Presisi biaya Biaya seluruh wilayah, termasuk penyesuaian, dibulatkan HALF_UP ke rupiah dengan minimum Rp1.

Cek pemerataan dan bukti

Pilihan jangkauan memaksimalkan jumlah provinsi penerima terlebih dahulu. Jika maksimum terbukti, tahap kedua memaksimalkan skor kebutuhan dengan jangkauan tersebut. Kedua pilihan memakai anggaran, biaya, kapasitas, dan minimum awal yang sama.

Batas pemerataan Ukuran ini tidak membuktikan pemerataan antarsekolah atau siswa.
Telusur bukti Nilai akses, kebutuhan, bobot, kontribusi skor, dan sel sumber dihubungkan kembali ke input snapshot.
Uji ketahanan Setiap percobaan dibatasi satu detik. Timeout tanpa solusi dikeluarkan dari hitungan kestabilan; input di luar batas ditandai tidak valid.
Bukti portabel Unduhan JSON menyertakan snapshot, parameter, versi metode, dan hasil percobaan untuk diperiksa ulang. Perbedaan alokasi dapat berasal dari solusi dengan skor setara.

optimalSolusi terbaik dibuktikan untuk model dan batas waktu yang dinyatakan.

feasibleSolusi memenuhi constraint, tetapi optimum belum terbukti.

infeasibleSolver membuktikan tidak ada solusi yang memenuhi constraint.

no_solutionPencarian berhenti tanpa solusi; bukan bukti infeasible.

05 · Istilah

Glosarium singkat.

Coverage: Proporsi atau cakupan input yang tersedia dan dapat dipakai pada suatu perhitungan. Coverage rendah tidak otomatis berarti data salah.
Release data: Kumpulan versi dataset yang dipatok bersama agar perbandingan memakai periode, unit, dan definisi yang kompatibel.
Constraint: Aturan yang wajib dipenuhi model, misalnya anggaran, kapasitas, batas minimum, atau integritas bilangan.
Feasible: Model menemukan solusi yang memenuhi constraint. Feasible belum berarti solusi tersebut terbaik menurut objective.
Optimal: Solusi terbaik yang dibuktikan solver untuk objective dan constraint model pada batas toleransi yang dinyatakan.
Demo assumption: Nilai contoh sintetis untuk menguji alur. Nilai ini bukan harga, kapasitas, atau keputusan resmi.

Batas interpretasi

Optimal di model belum tentu adil di dunia nyata.

Equora membantu membandingkan skenario secara transparan. Ia tidak menggantikan penilaian manusia, bukti lapangan, atau keputusan kebijakan.

Dapat digunakan untuk

Membandingkan skenario berdasarkan data, bobot, dan asumsi yang terlihat.
Menelusuri sumber, coverage, missing data, dan versi metode di balik hasil.

Belum dapat digunakan untuk

Mengklaim biaya, kapasitas, fairness, atau dampak sebagai angka resmi.
Membuktikan performa produksi; benchmark saat ini belum representatif.

Keputusan tetap membutuhkan

Verifikasi lapangan pertimbangan kebijakan proses penganggaran resmi